Imaginez la scène : en pleine réunion de direction, la question tombe :
« Comment utilisons-nous l’IA pour notre reporting RSE ? »
Les cas d’usage ne manquent pas : trier les fichiers reçus des fournisseurs, retrouver les données manquantes, répondre aux questionnaires, vérifier les calculs ou encore préparer le reporting : autant de tâches chronophages que l’IA pourrait accélérer.
Mais une deuxième question arrive aussitôt :
« Puisqu’il s’agit surtout de traiter des données, pourquoi ne pas simplement les envoyer à ChatGPT, Claude ou Copilot ? »
C’est là que le sujet se complique. Un modèle généraliste peut-il produire des résultats suffisamment fiables, cohérents et traçables pour répondre aux exigences du reporting RSE ? Faut-il adopter une solution spécialisée, développer son propre outil ou combiner plusieurs approches ? Et comment arbitrer entre rapidité, coût, contrôle et qualité ?
Une dernière question reste à poser : quelle est l’empreinte environnementale de l’IA utilisée ? Les gains obtenus justifient-ils réellement les ressources consommées ?
